原文链接:/?p=6193
原文出处:拓端数据部落公众号
copula是将多变量分布函数与其边缘分布函数耦合的函数,通常称为边缘。Copula是建模和模拟相关随机变量的绝佳工具。Copula的主要吸引力在于,通过使用它们,你可以分别对相关结构和边缘(即每个随机变量的分布)进行建模。
相关视频:Copula算法原理和R语言股市收益率相依性可视化分析
Copula算法原理和R语言股市收益率相依性可视化分析
,时长16:34
copulas如何工作
首先,让我们了解copula的工作方式。
set.seed(100)m < - 3n < - 2000z < - mvrnorm(n,mu = rep(0,m),Sigma = sigma,empirical = T)
我们使用cor()
和散点图矩阵检查样本相关性。
pairs.panels(Z)[,1] [,2] [,3][1,] 1.0000000 0.3812244 0.1937548[2,] 0.3812244 1.0000000 -0.7890814[3,] 0.1937548 -0.7890814 1.0000000
pairs.panels(U)
这是包含新随机变量的散点图矩阵u
。
我们可以绘制矢量的3D图表示u
。
现在,作为最后一步,我们只需要选择边缘并应用它。我选择了边缘为Gamma,Beta和Student,并使用下面指定的参数。
x1 < - qgamma(u [,1],shape = 2,scale = 1)x2 < - qbeta(u [,2],2,2)x3 < - qt(u [,3],df = 5)
下面是我们模拟数据的3D图。
df < - cbind(x1,x2,x3)pairs.panels(DF)x1 x2 x3x1 1.0000000 0.3812244 0.1937548x2 0.3812244 1.0000000 -0.7890814x3 0.1937548 -0.7890814 1.0000000
这是随机变量的散点图矩阵:
使用copula
让我们使用copula复制上面的过程。
现在我们已经通过copula(普通copula)指定了相依结构并设置了边缘,mvdc()
函数生成了所需的分布。然后我们可以使用rmvdc()
函数生成随机样本。
colnames(Z2)< - c(“x1”,“x2”,“x3”)pairs.panels(Z2)
模拟数据当然非常接近之前的数据,显示在下面的散点图矩阵中:
简单的应用示例
现在为现实世界的例子。我们将拟合两个股票 ,并尝试使用copula模拟 。
让我们在R中加载 :
cree < - read.csv('cree_r.csv',header = F)$ V2yahoo < - read.csv('yahoo_r.csv',header = F)$ V2
在直接进入copula拟合过程之前,让我们检查两个股票收益之间的相关性并绘制回归线:
我们可以看到 正相关 :
在上面的第一个例子中,我选择了一个正态的copula模型,但是,当将这些模型应用于实际数据时,应该仔细考虑哪些更适合数据。例如,许多copula更适合建模非对称相关,其他强调尾部相关性等等。我对股票收益率的猜测是,t-copula应该没问题,但是猜测肯定是不够的。本质上, 允许我们通过函数使用BIC和AIC执行copula选择 :
pobs(as.matrix(cbind(cree,yahoo)))[,1]selectedCopula$ PAR[1] 0.4356302$ PAR2[1] 3.844534
拟合算法确实选择了t-copula并为我们估计了参数。
让我们尝试拟合建议的模型,并检查参数拟合。
t.cop set.seed(500)m < - pobs(as.matrix(cbind(cree,yahoo)))COEF(FIT)rho.1 df 0.43563 3.84453
我们来看看我们刚估计的copula的密度
rho < - coef(fit)[1]df < - coef(fit)[2]
现在我们只需要建立Copula并从中抽取3965个随机样本。
rCopula(3965,tCopula( = 2, ,df = df))[,1] [,2][1,] 1.0000000 0.3972454[2,] 0.3972454 1.0000000
这是包含的样本的图:
t-copula通常适用于在极值(分布的尾部)中存在高度相关性的现象。
现在我们面临困难:对边缘进行建模。为简单起见,我们将假设正态分布 。因此,我们估计边缘的参数。
直方图显示如下:
现在我们在函数中应用copula,从生成的多变量分布中获取模拟观测值。最后,我们将模拟结果与原始数据进行比较。
这是在假设正态分布边缘和相依结构的t-copula的情况下数据的最终散点图:
正如您所看到的,t-copula导致结果接近实际观察结果 。
让我们尝试df=1
和df=8:
显然,该参数df
对于确定分布的形状非常重要。随着df
增加,t-copula倾向于正态分布copula。
非常感谢您阅读本文,有任何问题请在下面留言!
参考文献
1.用机器学习识别不断变化的股市状况—隐马尔科夫模型(HMM)的应用
2.R语言GARCH-DCC模型和DCC(MVT)建模估计
3.R语言实现 Copula 算法建模相依性案例分析报告
4.R语言COPULAS和金融时间序列数据VaR分析
5.R语言多元COPULA GARCH 模型时间序列预测
6.用R语言实现神经网络预测股票实例
7.r语言预测波动率的实现:ARCH模型与HAR-RV模型
8.R语言如何做马尔科夫转换模型markov switching model
9.matlab使用Copula仿真优化市场风险
如果觉得《拓端tecdat|R语言实现 Copula 算法建模相依性案例分析报告》对你有帮助,请点赞、收藏,并留下你的观点哦!